国家自然科学基金(61379077)
- 作品数：11 被引量：69H指数：3
- 相关作者：邱飞岳王丽萍陈宏陈铁明郭海东更多>>
- 相关机构：浙江工业大学之江实验室更多>>
- 发文基金：国家自然科学基金浙江省自然科学基金浙江省科技攻关计划更多>>
- 相关领域：自动化与计算机技术更多>>
- 度量对比敏感度阈值的自适应优化方法研究
- 2022年
- 对比敏感度作为视觉科学中人眼对物体分辨边界清晰程度的度量,表征了视觉对不同空间频率下对比度的响应能力,具有重要的研究意义.众多研究者给出了一系列用于解决度量对比敏感度阈值的方法,但现有方法在求解阈值时存在收敛速度慢、依从性差等缺点.本文提出了一种基于扰动算子的自适应psi-marginal算法.该算法在分析当前被试者反馈信息的基础上,通过扰动算子自适应优化刺激参数,使其快速向阈值附近逼近,提高收敛速度.实验结果表明,优化后的psi-marginal方法在保持阈值精度的基础上,平均收敛速度提升27.75%,其中当阈值在刺激范围的边缘时,收敛速度提升47.37%,改进方法效果较为明显.
- 王丽萍陆佳峰邱飞岳陈宏
- 关键词：自适应方法
- 分组策略下的高维目标协同进化算法
- 2020年
- 为平衡高维目标优化问题在进化过程中收敛性与多样性的冲突,本文提出基于两阶段分配策略的高维目标协同进化算法.首先,利用参考向量将种群进行分组,划分为若干个子种群,在进化前期,主要根据子种群中非支配解密度评估子种群优化难易程度;在进化后期,主要根据非支配解分布的广度评估子种群多样性,以此确定子种群进化潜力,为高进化潜力的子种群分配目标向量.然后,在整个目标空间内产生随机目标向量,防止其余个体的退化.本文将改进后算法与PICEAg在3、5、7、10、15维DTLZ1-7函数上进行性能对比实验.仿真实验结果表明,除DTLZ5测试问题外,改进后算法在收敛性及多样性上均优于原算法.
- 王丽萍俞维邱飞岳
- 关键词：进化算法协同进化
- 多目标进化算法性能评价指标研究综述被引量：30
- 2021年
- 多目标进化算法根据性能评价指标衡量其优劣,主要从算法所求解集的质量、算法求解效率以及算法鲁棒性三方面来评价,并侧重于解集的质量,现有的相关工作缺乏对评价指标数学性质的分析.本文将评价指标按性能标准分为四类:计数指标、收敛性指标、多样性指标、综合性指标,其中计数指标统计符合指标要求的解个数或比例,收敛性指标衡量解集与参考集的贴近程度,多样性指标衡量解集分布的均匀程度与求解极端值的能力,并按性质类型分为分布性指标、延展性指标和同时衡量前两者的指标,综合性指标同时衡量收敛性和多样性,并按适用范围分为通用指标和专用指标.本文对比分析了77种指标的参考集、比较函数以及时间复杂度,并从高维目标适应性、离群点敏感性、参考集合理性、指标值最优性四个方面对部分指标进行了分析,为研究者们选择合适的指标提供方法,以应对不同环境下的复杂问题.最后展望了多目标进化算法性能评价有待进一步研究的方向.
- 王丽萍任宇邱启仓邱飞岳
- 关键词：多目标优化进化算法评价指标收敛性多样性
- 融合评分相对差异的协同过滤推荐算法被引量：1
- 2022年
- 协同过滤推荐算法是个性化推荐系统中最常用的方法之一,其中相似度计算直接影响基于内存的协同过滤推荐算法的推荐质量.针对协同过滤推荐算法中传统的用户间相似度计算方法仅考虑共同评分项评分数值上的差异导致难以准确衡量非偏好评分场景中用户间相似度的问题,本文提出一种基于余弦相似度并融合评分相对差异的用户间相似度计算方法.该方法考虑评分规模上的差异,计算评分相对相似度并且引入放大系数,在非偏好评分的场景下可以更加准确地区分用户间差异.在真实的数据集上完成对比实验分析,结果表明在非偏好评分场景下,所提方法相较于对比方法能降低预测误差,提高推荐质量.
- 王丽萍傅攀邱飞岳陈宏
- 关键词：协同过滤
- 基于动态分配邻域策略的分解多目标进化算法被引量：2
- 2021年
- 邻域规模是影响分解多目标进化算法性能的重要因素之一,传统分解多目标进化算法通常对计算复杂度不同的子问题分配相同的邻域规模,算法运行效率受到限制。针对以上问题,提出了一种基于动态分配邻域策略的分解多目标进化算法(MOEA/D-SD):首先,在收敛性方向和多样性角度上评估个体的进化状态;其次,根据进化状态动态调节邻域大小,为每个子问题分配合适的邻域规模,从而提高算法的收敛性和解集整体质量。将所提算法与MOEA/D和MOEA/D-GR算法在ZDT和DTLZ系列测试函数上进行性能对比。仿真实验结果表明:MOEA/D-SD算法的收敛性能明显提升,算法资源分配更加合理,所求解集整体质量有所提升。
- 王丽萍王丽萍吴洋俞维
- 关键词：多目标优化收敛性多样性
- 偏好多目标进化算法研究综述被引量：20
- 2019年
- 多目标优化需要同时优化若干相互冲突的目标,其目的是获得均匀分布于整个Pareto前沿上的最优解集.然而在实际多目标优化问题中,决策者通常只对目标空间中部分区域内的Pareto最优解感兴趣,因此将决策者的偏好信息与多目标优化方法相结合成为进化计算领域的研究热点.偏好多目标进化算法通过引入决策者的偏好信息,将算法的搜索集中在决策者感兴趣的偏好区域,有效利用算法的计算资源,提高算法的求解效率,降低计算复杂度,同时有利于决策者高效地做出最终决策.本文从偏好的设置方法和算法性能两个角度介绍偏好多目标进化算法.在偏好的设置上,从占优关系、角度关系、权重向量和偏好集四个方面综述融入偏好信息的多目标进化算法;在算法性能上,从上述四类偏好的设置方法中各选取两种偏好算法进行仿真实验,从偏好策略的有效性、解集的整体性以及算法的复杂度三个方面进行实验对比并深入分析其优缺点.最后,总结了偏好多目标进化算法的未来发展趋势.
- 王丽萍王丽萍邱启仓章鸣雷邱飞岳
- 关键词：多目标优化权重向量
- 稀疏诱导流形正则化凸非负矩阵分解算法被引量：3
- 2020年
- 针对非负矩阵分解方法在有噪声的真实数据中获得特征的有效性问题,提出了一种稀疏诱导的流形正则化凸非负矩阵分解算法。所提算法在流形正则化的基础上,向低维子空间的基矩阵添加基于L2,1范数的稀疏约束,构建了乘法更新规则,分析在该规则下算法的收敛性,并设计了在低维子空间上不同噪声环境下的聚类实验。K均值聚类实验结果表明,稀疏约束降低了噪声特征在学习中的表达能力,所提算法在不同程度上优于同类8种算法,对噪声有更强的稳健性。
- 邱飞岳陈博文陈铁明陈铁明
- 关键词：非负矩阵分解流形正则化K均值聚类
- 偏好向量引导的高维目标协同进化算法被引量：3
- 2020年
- 多偏好向量引导的协同进化算法(PICEA-g)是将目标向量作为偏好,个体支配目标向量的个数作为适应值,以有效降低高维目标空间中非支配解的比例.但PICEA-g所获解集是近似Pareto前沿,而不是决策者真正感兴趣部分的Pareto最优解,导致算法在处理高维优化问题时性能下降和计算资源的浪费.鉴于此,提出一种基于偏好向量引导的高维目标协同进化算法(ASF-PICEA-g):首先,利用ASF扩展函数将进化种群中的参考点映射至目标空间,并将其作为偏好向量引导种群进化的参考方向;然后,利用偏好区域选择策略获取两个临时参考点,进而构建决策者感兴趣区域(ROI),确定随机偏好集产生的上下界范围,通过协同进化机制引导种群朝偏好区域收敛.将ASF-PICEA-g与g-NSGA-Ⅱ和r-NSGA-Ⅱ在3-20维的WFG系列和DTLZ系列测试函数上进行仿真实验,实验结果表明:ASFPICEA-g在WFG系列测试函数上表现出了良好的性能,所得解集整体上优于对比算法;在DTLZ系列测试函数上略优于对比算法,尤其在10维以上目标空间,ASF-PICEA-g表现出更好的稳定性,所获解集有较好的收敛性和分布性.
- 王丽萍陈宏杜洁洁邱启仓邱飞岳
- 关键词：协同进化
- 基于重构邻域策略的分解多目标进化算法
- 2020年
- MOEA/D算法的每个子问题都从邻域中选取父代解进行交叉变异,邻域结构在整个进化过程中维持不变,在一定程度上限制了父代选择的范围,算法在搜索后期会出现种群退化、收敛速度放缓等问题.为解决以上问题,本文提出了重构邻域策略改善父代解集质量来提升种群逼近Pareto前沿面的速度.改进算法MOEA/D-RNS改变了原始框架下的父代选择方式,从子问题邻域和精英解组成的新邻域集合中选择父代.其中,精英解分两步筛选确定,利用更新策略筛选出预备精英解集,再通过计算每个预备精英的潜力值,并根据潜力值排序来选择精英解集.在不改变邻域规模情况下,改善了父代解集质量,同时提升了解集的多样性,加快了种群收敛速度.在2至10维DTLZ1-4系列测试问题上对算法进行性能测试,实验结果表明,本算法能有效平衡算法收敛性与多样性.
- 曹鸽郭海东王丽萍徐梦娜
- 关键词：多目标优化
- 基于决策变量交互识别的多目标优化算法被引量：2
- 2021年
- 当前求解大规模优化问题的关键在于决策变量的有效分组。随着决策变量规模的增大,决策变量间以及决策变量与目标函数间的关系愈加复杂。在总的适应度评价次数给定的条件下,决策变量分组所消耗的适应度评价次数越多,种群进化过程中所剩适应度评价次数越少,从而影响算法收敛能力,导致解集质量下降。为解决以上问题,首先,提出了一种决策变量交互识别策略,该策略能够以较少的适应度评价次数,识别决策变量的潜在交互结构并形成子组件,实现每个子组件间关联性最小;其次,在决策空间中根据个体间角度来划分每个子组件的邻域范围;最后,结合MOEA/D算法框架,提出了MOEA/D-IRG(基于决策变量交互识别的多目标优化)算法分别独立优化各个子组件。仿真实验结果表明:在LSMOP1-4测试问题上,随着决策变量规模的增加,MOEA/D-IRG算法性能明显优于NSGA-II、MOEA/D和S3-CMA-ES算法,所获解集质量更高。
- 王丽萍王丽萍潘笑天俞维
- 关键词：多目标优化
